論文の概要: Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting

• arxiv url: http://arxiv.org/abs/2304.00467v1
• Date: Sun, 2 Apr 2023 06:43:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 17:59:10.618352
• Title: Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting
• Title（参考訳）: 信頼度の高いポースグラフ初期化と履歴再重み付けによるロバストマルチビューポイントクラウド登録
• Authors: Haiping Wang, Yuan Liu, Zhen Dong, Yulan Guo, Yu-Shen Liu, Wenping Wang, Bisheng Yang
• Abstract要約: 本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
• 参考スコア（独自算出の注目度）: 63.95845583460312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a new method for the multiview registration of point cloud. Previous multiview registration methods rely on exhaustive pairwise registration to construct a densely-connected pose graph and apply Iteratively Reweighted Least Square (IRLS) on the pose graph to compute the scan poses. However, constructing a densely-connected graph is time-consuming and contains lots of outlier edges, which makes the subsequent IRLS struggle to find correct poses. To address the above problems, we first propose to use a neural network to estimate the overlap between scan pairs, which enables us to construct a sparse but reliable pose graph. Then, we design a novel history reweighting function in the IRLS scheme, which has strong robustness to outlier edges on the graph. In comparison with existing multiview registration methods, our method achieves 11% higher registration recall on the 3DMatch dataset and ~13% lower registration errors on the ScanNet dataset while reducing ~70% required pairwise registrations. Comprehensive ablation studies are conducted to demonstrate the effectiveness of our designs.
• Abstract（参考訳）: 本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 従来のマルチビュー登録手法では,ペアワイズ登録を徹底的に行うことで,密結合されたポーズグラフを構築し,反復再重み付けされた最小2乗(irls)をポーズグラフに適用してスキャンポーズを計算する。 しかし、密結合グラフの構築には時間がかかり、多くの外縁を含むため、その後のIRLSは正しいポーズを見つけるのに苦労する。 上記の問題に対処するために、まずニューラルネットワークを用いてスキャンペア間の重なり合いを推定し、スパースで信頼性の高いポーズグラフを構築することを提案する。 そこで、IRLSスキームにおける新しい履歴再重み付け関数を設計し、グラフ上の外縁に強い強靭性を持つ。 既存のマルチビュー登録法と比較して,3DMatchデータセットでは11%高い登録リコールを実現し,ScanNetデータセットでは13%低い登録誤差を達成し,70%のペア登録を削減した。 本設計の有効性を実証するため,包括的アブレーション研究を行った。

関連論文リスト

• Incremental Multiview Point Cloud Registration [18.830104930321223]
  本研究では,スキャンを標準座標系に段階的に整列させるインクリメンタルパイプラインを提案する。 検出器フリーのマーカにはトラックリファインメントプロセスが組み込まれている。 実験により,提案フレームワークは3つのベンチマークデータセットにおいて,既存のマルチビュー登録手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-06T09:28:23Z)
• L-PR: Exploiting LiDAR Fiducial Marker for Unordered Low Overlap Multiview Point Cloud Registration [5.2357168261831335]
  本稿では,非秩序な低重なり点群を登録するL-PRという新しいフレームワークを提案する。 我々はこれらをLiDARフィデューシャルマーカーと呼んでいるが、人気のある AprilTag や ArUco のマーカーと同じである。 提案手法が従来の最先端手法を上回ることを示すため,定性的かつ定量的な実験を行った。
  論文  参考訳（メタデータ） (2024-06-05T14:08:13Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose Estimation [1.745925556687899]
  最もよく使われている3次元幾何登録法は、反復的なクローゼットポイントアルゴリズムである。 本稿では,階層型アテンション機構とグラフニューラルネットワークを用いた学習モデルを用いて,従来の幾何学的登録とポーズグラフ最適化を置き換えたフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T16:51:56Z)
• GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm [12.592563880121816]
  点雲の厳格な登録は コンピュータビジョンの根本的な問題です コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。 本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-05T14:50:36Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Graph-Based 3D Multi-Person Pose Estimation Using Multi-View Images [79.70127290464514]
  我々は,タスクを2つの段階,すなわち人物のローカライゼーションとポーズ推定に分解する。 また,効率的なメッセージパッシングのための3つのタスク固有グラフニューラルネットワークを提案する。 提案手法は,CMU Panoptic と Shelf のデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-09-13T11:44:07Z)
• Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
  任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。 本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。 個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:03:21Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。